From 7d6162e51e0a19c6e58fd900be4be257a4e80641 Mon Sep 17 00:00:00 2001
From: Bruna Wundervald <brunadaviesw@gmail.com>
Date: Thu, 10 Nov 2016 20:17:27 -0200
Subject: [PATCH] =?UTF-8?q?Faz=20altera=C3=A7=C3=B5es=20na=20vinheta=20de?=
=?UTF-8?q?=20GLM?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
vignettes/anaExpMLG.Rmd | 49 ++++++++++++++++++-----------------------
1 file changed, 22 insertions(+), 27 deletions(-)
diff --git a/vignettes/anaExpMLG.Rmd b/vignettes/anaExpMLG.Rmd
index 0565c694..e7a0814b 100644
--- a/vignettes/anaExpMLG.Rmd
+++ b/vignettes/anaExpMLG.Rmd
@@ -56,6 +56,7 @@ xtabs(~fuma, data = PaulaEx3.7.25)
xtabs(~pulsa, data = PaulaEx3.7.25)
# Diagrama de dispersão.
+# carregamento do pacote lattice
library(lattice)
xyplot(pulsa ~ peso, groups = fuma,
data = PaulaEx3.7.25, type = "p",
@@ -114,17 +115,18 @@ Sua notação é a seguinte:
$$ \mu_{i} = g^{-1}(\eta_{i}) = g(\beta_{0} + \beta_{1}x_{i1} + \beta_{2}x_{i2} + ... + \beta_{p}x_{ip})$$
-Caso algum destes elementos não seja satisfeito, o modelo não é um MLG.
+Caso algum destes elementos não seja satisfeito, o modelo não é linear
+generalizado.
Códigos para o ajuste:
-
```{r}
# como a variável 'pulsa' é um fator binário, vamos
# utilizar a distribuição binomial
-m0 <- glm(pulsa ~ peso + fuma, data = PaulaEx3.7.25,
- family= binomial(link="logit")) # especificação da função
- # de ligação como 'logito'
+m0 <- glm(pulsa ~ peso + fuma,
+ data = PaulaEx3.7.25,
+ family= binomial(link="logit")) # especificação da função
+ # de ligação 'logito'
summary(m0) # resumo do ajuste
levels(PaulaEx3.7.25$pulsa) # níveis da variável resposta
```
@@ -152,31 +154,22 @@ para a do modelo nulo, temos uma diferença de apenas 7.57. Isso
linear generalizado, devemos atentar para este ponto, porque medidas
de melhoria do ajuste podem ser tomadas.
-A análise de resíduos para um modelo linear generalizado cuja váriavel
-reposta é **dicotômica** é um pouco diferente da de um modelo de
-regressão. Neste caso, os resíduos dificilmente seguem uma distribuição
-Normal.
+A análise de resíduos para um modelo linear generalizado é um pouco
+diferente da de um modelo de regressão. Neste caso, os resíduos
+dificilmente seguem uma distribuição Normal. Por isso, avaliamos
+um gráfico com envelope simulado via *bootstrap*, que permite checar a
+qualidade do modelo, mesmo que os resíduos não se distribuam de acordo
+com uma Normal.
-```{r}
-par(mfrow = c(1,2), mar = c(3, 4, 4, 2)+.1)
-plot(residuals(m0, type = "deviance"),
- main = "Resíduos Deviance",
- ylab = "Resíduos",
- xlab = "",
- col = "blue")
-plot(residuals(m0, type = "pearson"),
- main = "Resíduos de Pearson",
- ylab = "Resíduos",
- xlab = "",
- col = "blue")
-```
-
-O gráfico com envelope simulado via *bootstrap* permite checar a
-qualidade do modelo, mesmo que os resíduos não se distribuam
-seguindo uma Normal.
+Neste gráfico, espera-se que, se o modelo estiver bem ajustado, os
+resíduos estarão dispersos em ordem aleatória dentro do envelope.
+Pequenas fugas devem ser analisadas levando em consideração o contexto
+do modelo. Na Figura 1, temos envelope simulado para o ajuste feito
+anteriormente.
-```{r}
+```{r, fig.cap='Análise de resíduos de um modelo linear generalizado'}
# Envelope simulado para a análise de resíduos
+# carregamento do pacote
library(hnp)
par(mfrow = c(1,1))
plot(hnp(m0, conf = 0.95),
@@ -185,5 +178,7 @@ plot(hnp(m0, conf = 0.95),
ylab = "Resíduos",
pch = 16,
col = c("black", "tomato", "black", "blue"))
+
+
```
--
GitLab